Model Weights

Model ağırlıkları, girdi verilerini tahmin edilen çıktılara dönüştüren makine öğrenimi modeli içindeki öğrenilebilir parametrelerdir. Bir sinir ağında bu ağırlıklar, farklı katmanlardaki nöronlar arasındaki bağlantıların gücünü temsil eder. Bir model başlatıldığında, bu ağırlıklar genellikle rastgele küçük değerlere ayarlanır, bu da modelin hiçbir şey "bilmediği" anlamına gelir. Eğitim adı verilen bir süreç aracılığıyla model, yaptığı hatalara dayanarak bu ağırlıkları yinelemeli olarak ayarlar ve verilerdeki kalıpları, özellikleri ve ilişkileri tanımayı kademeli olarak öğrenir. Model ağırlıklarını yapay zekanın "hafızası" veya "bilgisi" olarak düşünebilirsin; sistemin eğitim verilerinden öğrendiklerini saklarlar.

Link to this sectionÖğrenmede Ağırlıkların Rolü#

Bir sinir ağını eğitmenin temel amacı, modelin tahminleri ile gerçek doğruluk payı arasındaki hatayı en aza indiren en uygun model ağırlıkları setini bulmaktır. Bu süreç, verilerin ağdan geçirilmesini —ileri besleme (forward pass) olarak bilinen bir adım— ve ardından belirli bir kayıp fonksiyonu kullanarak bir kayıp değeri hesaplanmasını içerir. Tahmin yanlışsa, Stochastic Gradient Descent (SGD) gibi bir optimizasyon algoritması veya YOLO26 içinde kullanılan daha yeni Muon optimize edicisi, her bir ağırlığın hataya ne kadar katkıda bulunduğunu hesaplar.

Geri yayılım adı verilen bir teknik aracılığıyla algoritma, bir sonraki sefer için hatayı azaltmak üzere ağırlıkları biraz günceller. Bu döngü, model ağırlıkları stabilize olana ve sistem yüksek doğruluk elde edene kadar binlerce veya milyonlarca kez tekrarlanır. Eğitim tamamlandığında ağırlıklar "dondurulur" ve kaydedilir, böylece model yeni, görülmemiş veriler üzerinde çıkarım yapmak üzere dağıtılabilir.

Link to this sectionModel Ağırlıkları ve Sapmalar (Biases)#

Ağırlıklar ve sapmalar birlikte çalışsalar da farklı amaçlara hizmet ettikleri için aralarındaki farkı bilmek önemlidir. Model ağırlıkları nöronlar arasındaki bağlantının gücünü ve yönünü belirlerken (aktivasyonun eğimini kontrol eder), sapmalar aktivasyon fonksiyonunun sola veya sağa kaydırılmasını sağlar. Bu kaydırma, tüm girdi özellikleri sıfır olduğunda bile modelin verilere daha iyi uyum sağlamasını garanti eder. Ağırlıklar ve sapmalar birlikte, Evrişimli Sinir Ağları (CNN'ler) gibi mimarilerin davranışını tanımlayan öğrenilebilir parametreleri oluşturur.

Link to this sectionGerçek Dünya Uygulamaları#

Model ağırlıkları, yapay zeka sistemlerinin çeşitli endüstrilerde çalışmasını sağlayan temel bileşendir. İşte bunların nasıl uygulandığına dair iki somut örnek:

• Perakendede Bilgisayarlı Görü: Bir akıllı süpermarket sisteminde, YOLO26 gibi bir model, bir raftaki ürünleri tanımlamak için eğitilmiş ağırlıklarını kullanır. Ağırlıklar, bir mısır gevreği kutusunun şekli veya bir soda kutusunun rengi gibi görsel özellikleri "öğrenmiştir" ve bu sayede sistem öğeleri algılayabilir, envanteri yönetebilir ve hatta otomatik ödeme süreçlerini verimli bir şekilde kolaylaştırabilir.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde derin öğrenme modelleri, röntgen veya MRI taramalarını analiz etmek için özel ağırlıklardan yararlanır. Örneğin, tümör tespiti için eğitilmiş bir model, sağlıklı doku ile potansiyel anomaliler arasında ayrım yapmak için ağırlıklarını kullanır. Bu ağırlıklar, insan gözü için ince olabilecek piksel verilerindeki karmaşık, doğrusal olmayan kalıpları yakalar ve radyologların daha hızlı teşhis koymasına yardımcı olur.

Link to this sectionAğırlıkları Kaydetme ve Yükleme#

Uygulamada, model ağırlıklarıyla çalışmak, eğitilmiş parametrelerin bir dosyaya kaydedilmesini ve daha sonra tahmin veya ince ayar için yüklenmesini içerir. Ultralytics ekosisteminde bunlar genellikle .pt (PyTorch) dosyaları olarak depolanır.

İşte önceden eğitilmiş ağırlıkların bir YOLO modeline nasıl yükleneceğine ve tahminin nasıl çalıştırılacağına dair basit bir örnek:

from ultralytics import YOLO

# Load a model with pre-trained weights (e.g., YOLO26n)
model = YOLO("yolo26n.pt")

# Run inference on an image using the loaded weights
results = model("https://ultralytics.com/images/bus.jpg")

# Print the number of detected objects
print(f"Detected {len(results[0].boxes)} objects.")

Link to this sectionTransfer Öğrenme ve İnce Ayar#

Model ağırlıklarının en güçlü yönlerinden biri taşınabilirlikleridir. Geliştiriciler, devasa veri setleri ve ciddi işlem gücü gerektiren bir modeli sıfırdan eğitmek yerine genellikle transfer öğrenmeden yararlanırlar. Bu, COCO veya ImageNet gibi büyük bir veri setinde önceden eğitilmiş ağırlıklara sahip bir modelin alınmasını ve belirli bir göreve uyarlanmasını içerir.

Örneğin, genel bir nesne dedektöründen ağırlıkları alıp bunları daha küçük bir güneş paneli veri setinde ince ayar yaparak geliştirebilirsin. Önceden eğitilmiş ağırlıklar halihazırda kenarları, şekilleri ve dokuları anladığından, model çok daha hızlı yakınsar ve daha az etiketli veri gerektirir. Ultralytics Platform gibi araçlar bu süreci basitleştirerek ekiplerin veri setlerini yönetmelerine, bulutta modeller eğitmelerine ve optimize edilmiş ağırlıkları uç cihazlara sorunsuz bir şekilde dağıtmalarına olanak tanır.

Link to this sectionSıkıştırma ve Optimizasyon#

Modern yapay zeka araştırmaları genellikle performanstan ödün vermeden model ağırlıklarının dosya boyutunu küçültmeye odaklanır, bu işleme model nicelleştirme denir. Geliştiriciler ağırlıkların hassasiyetini düşürerek (örneğin 32-bit kayan noktalı sayıdan 8-bit tam sayıya), bellek kullanımını önemli ölçüde azaltabilir ve çıkarım hızını iyileştirebilirler. Bu, modelleri cep telefonları veya Raspberry Pi cihazları gibi kaynak kısıtlı donanımlarda dağıtmak için çok önemlidir. Ayrıca, budama gibi teknikler, çıktıya çok az katkıda bulunan ağırlıkları kaldırarak modeli gerçek zamanlı uygulamalar için daha da hızlandırır.